Geri Dön

Dictionary learning and low-rank sparse matrix decomposition for sparsity-driven SAR image reconstruction

Seyreklik güdümlü SAR geriçatımı için sözlük öğrenimi ve düşük sıralı seyrek matris ayrışımı

PDF İndir

  1. Tez No: 392227
  2. Yazar: ABDURRAHİM SOĞANLI
  3. Danışmanlar: DOÇ. DR. MÜJDAT ÇETİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

Sentetik açıklıklı radar (SAR) savunma, çevre bilimi ve hava tahmini gibi çeşitli uygulamalarda sıklıkla kullanılan uzaktan algılama yöntemlerinden biridir. Ancak verinin düşük örneklemeyle gözlemlendiği durumlarda geleneksel yöntemler ile elde edilmiş SAR görüntüleri yapay dokulara neden olmakta ve bu durum SAR görüntülerinin uzaktan algılama yöntemlerinde etkili kullanımına engel olmaktadır. Son zamanlarda bu sorunları azaltmak için seyreklik tabanlı SAR görüntüleme ortaya çıkmıştır. Seyreklik tabanlı yöntemler karmaşık değerli yapının mutlak değerini seyrek bir şekilde temsil edebilmek için sözlük kullanırlar. Bu yöntemlerde görüntünün özelliklerine gore uygun bir sözlüğün seçilmesi çok önemlidir. Bu tezde seyreklik tabanlı yöntemlerin daha geniş bir biçimde SAR görüntülerine uygulanmasını sağlayacak iki yeni seyreklik tabanlı SAR görüntüleme yöntemi öneriyoruz. Birinci katkı olarak seyreklik sözlüğünün öğrenilmesine dayanan ve bu öğrenilen sözlüğü SAR görüntülerinin geri çatılma işleminde kullanılmasını sağlayan bir yöntem geliştiriyoruz. Verinin kendisinden öğrenilen uyarlanır sözlüklerin karmaşık değerli yapının mutlak değerini daha etkili bir şekilde temsil etme potensiyelleri vardır ve ve bu sözlükler seyreklik tabanlı görüntülemeyi daha geniş bir biçimde uygulanmasını sağlar. Bu önerdiğimiz yöntem uyarlanır sözlüklerin bir eğitim kümesinden çevirimdışı olarak öğrenilmesini sağlayabildiği gibi sözlüğün hedef verinin kendisinden çevirimiçi şekilde öğrenilmesini de sağlamaktadır. Önerdiğimiz sözlük öğrenimi tabanlı SAR görüntüleme yönteminin etki ve katkısını sentetik ve gerçek SAR görüntülerinde gösteriyoruz. Bu tezdeki ikinci katkı olarak görüntüyü seyrek ve düşük sıralı bileşenlerine ayıran bir geri çatma yöntemi öneriyoruz. Bu ayırma yöntemi bölütleme ve arkaplan çıkarımı gibi birçok görüntü tahlil yönteminde ilgi çekmektedir. Geleneksel olarak bu görüntü tahlil yöntemleri SAR görüntüsünün oluşturulmasından sonra yapılır. Biz yeni bir çalışma olan seyrek ve düşük sıralı matrislerin ayrıştırılması yöntemini SAR görüntüleme işleminde kullanıyoruz. Sonuç olarak SAR görüntüsünü geri çatarken aynı zamanda görüntüdeki seyrek bileşenleri ve düşük sıralı arkaplanı da ayırmaktayız. önerdiğimiz yöntemin etkisini sentetik ve gerçek SAR görüntülerinde gösteriyoruz.

Özet (Çeviri)

Synthetic aperture radar (SAR) is one of the most widely used remote sensing modalities, providing images for a variety of applications including those in defense, environmental science, and weather forecasting. However, conventionally formed SAR imagery from undersampled observed data, arising in several emerging applications and sensing scenarios, suffers from artifacts that might limit effective use of such imagery in remote sensing applications. Recently, sparsity-driven SAR imaging has emerged as an effective framework to alleviate such problems. Sparsity-based methods for SAR imaging have employed overcomplete dictionaries to represent the magnitude of the complex-valued field sparsely. Selection of an appropriate dictionary with respect to the features of the particular type of underlying scene plays an important role in these methods. In this thesis, we develop two new sparsity-driven SAR imaging methods that significantly expand the domain of applicability of sparsity-based methods in SAR imaging. Our first contribution involves the development of a new reconstruction method that is based on learning sparsifying dictionaries and using such learned dictionaries in the reconstruction process. Adaptive dictionaries learned from data can represent the magnitude of complex-valued field more effectively and hence have the potential to widen the applicability of sparsity-based radar imaging. Our framework allows the use of both adaptive dictionaries learned offline from a training set and those learned online from the undersampled data used in image formation. We demonstrate the effectiveness of the proposed dictionary learning-based SAR imaging approach as well as the improvements it provides, on both synthetic and real data. The second contribution of this thesis involves the development of a reconstruction method that decomposes the imaged field into a sparse and a low-rank component. Such a decomposition is of interest in image analysis tasks such as segmentation and background subtraction. Conventionally, such operations are performed after SAR image formation. We exploit recent work on sparse and low-rank decomposition of matrices and incorporate such a decomposition into the process of SAR image formation. The outcome is a method that jointly reconstructs a SAR image and decomposes the formed image into its low-rank background and spatially sparse components. We demonstrate the effectiveness of the proposed method on both synthetic and real SAR images.

Benzer Tezler

  1. Tez No

    740628

    Sparse matrix decomposition and low rank based techniques for anomaly detection in hyperspectral images

    Hiperspektral görüntülerde anomali tespiti için seyrek matris ayrıştırma ve düşük sıra tabanlı teknikler

    FATMA KÜÇÜK

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH VEHBİ ÇELEBİ

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

  2. Tez No

    507311

    Dictionary learning for efficient classification with 1-sparse representations

    Tek katsayılı seyrek gösterimlerle hızlı sınıflandırma için sözlük öğrenme

    EGE ENGİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF VURAL

  3. Tez No

    430057

    Süper-çözünürlük yöntemlerinin hiperspektral görüntülerin çözünürlüklerinin artırılmasına etkisi

    Effects of super-resolution methods on improving hyperspectral image resolutions

    MURAT ŞİMŞEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Elektrik ve Elektronik MühendisliğiKırıkkale Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. EDİZ POLAT

  4. Tez No

    520014

    Çoklu spektral ve pankromatik uydu görüntülerinin füzyonu için negatif olmayan matris ayrıştırma (NOMA) tabanlı yeni bir yöntem

    A new method for non-negative matrix factorization for the fusion of multiple spectral and panchromatic satellite images

    İBRAHİM İŞLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. IŞIN YAZGAN ERER

  5. Tez No

    467198

    Seyreklik ve sözlük öğrenme yaklaşımlarının sınıflandırma ve yüz tanımaya uygulanması

    Classification and face recognition application of sparsity and dictionary learning based methods

    BERNA AZİZOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENDER METE EKŞİOĞLU

Geri Dön